[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-prompt-template::ru":3,"gloss-cluster-prompt-template::ru":20,"gloss-next-prompt-template::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"prompt-template","prompt-eng","Шаблон промпта","Шаблон промпта — это промпт, написанный с переменными-заполнителями (обычно с использованием синтаксиса вроде {{имя_переменной}}, {переменная} или $переменная) вместо жёстко закодированных значений, предназначенный для повторного использования во множестве запросов путём подстановки разных данных в одну и ту же базовую структуру и инструкции. Шаблоны промптов — стандартный способ, которым промышленные SaaS-приложения интегрируют LLM, потому что сырые промпты, составленные бессистемно в чат-интерфейсе, не масштабируются на кодовую базу, обслуживающую тысячи пользователей с разными входными данными. Вместо этого разработчики пишут один хорошо протестированный шаблон на каждую ИИ-функцию и заполняют его программно — во многом как подготовленный SQL-запрос (prepared statement) или шаблон письма. Шаблоны обычно хранятся в системе контроля версий (или в выделенном инструменте управления промптами), отдельно от логики приложения, чтобы их можно было редактировать, A\u002FB-тестировать и откатывать без полного развёртывания кода — этот паттерн всё чаще поддерживается специализированными платформами управления промптами (например, LangSmith, PromptLayer, Langfuse), которые отслеживают версии шаблонов, логируют каждый заполненный промпт и его результат, а также поддерживают оценку и откат на уровне промптов. Хороший дизайн шаблона делает подстановку переменных однозначной (используя чёткие разделители, чтобы внедрённые данные нельзя было спутать с инструкциями — это напрямую связано с предотвращением prompt injection), корректно обрабатывает крайние случаи вроде пустых или очень длинных значений переменных и отделяет стабильную часть инструкций от переменной части данных, чтобы инструкцию можно было улучшать, не затрагивая каждое место вызова. Конкретный пример: функция SaaS для суммаризации отзывов клиентов использует такой шаблон, хранящийся в кодовой базе: «Суммаризируй следующие {{num_reviews}} отзывов клиентов о продукте \\\"{{product_name}}\\\" в 3 пункта: одна распространённая похвала, одна распространённая жалоба и одно применимое предложение. Отзывы:\\n{{reviews_text}}\\n\\nОтветь в формате JSON: {\\\"praise\\\": string, \\\"complaint\\\": string, \\\"suggestion\\\": string}.» Во время выполнения приложение заполняет {{num_reviews}}, {{product_name}} и {{reviews_text}} из базы данных для каждого продукта, отправляет заполненный промпт модели и парсит ответ JSON в интерфейс. Когда команда позже хочет добавить четвёртое поле («sentiment_score»), она редактирует один файл шаблона, а не разыскивает разрозненные встроенные строки промптов по всей кодовой базе.","Шаблон промпта — переиспользуемая структура промпта с переменными-заполнителями, которые программно заполняются во время выполнения.",null,[11,14,17],{"slug":12,"name":13},"delimiter","Разделитель (Delimiter)",{"slug":15,"name":16},"prompt-library","Библиотека промптов",{"slug":18,"name":19},"prompt-versioning","Версионирование промптов",[21,25,28,31,35,38,41,44,47,48,51,54],{"slug":22,"category":5,"name":23,"updated_at":24},"analogical-prompting","Analogical Prompting","2026-08-24T02:46:37+00:00",{"slug":26,"category":5,"name":27,"updated_at":24},"automatic-prompt-optimization","Автоматическая оптимизация промптов",{"slug":29,"category":5,"name":30,"updated_at":24},"chain-of-density","Цепочка плотности (CoD)",{"slug":32,"category":5,"name":33,"updated_at":34},"chain-of-thought-prompting","Chain-of-thought-промптинг (промптинг с цепочкой рассуждений)","2026-08-24T02:46:36+00:00",{"slug":36,"category":5,"name":37,"updated_at":24},"chain-of-verification","Chain-of-Verification",{"slug":39,"category":5,"name":40,"updated_at":34},"chunking","Чанкинг (Chunking)",{"slug":42,"category":5,"name":43,"updated_at":34},"constrained-decoding","Ограниченное декодирование (Constrained Decoding)",{"slug":45,"category":5,"name":46,"updated_at":34},"context-stuffing","Переполнение контекста (Context Stuffing)",{"slug":12,"category":5,"name":13,"updated_at":34},{"slug":49,"category":5,"name":50,"updated_at":24},"directional-stimulus-prompting","Directional Stimulus Prompting",{"slug":52,"category":5,"name":53,"updated_at":24},"emotion-prompting","Emotion Prompting",{"slug":55,"category":5,"name":56,"updated_at":34},"few-shot-prompting","Few-shot-промптинг (промптинг с примерами)"]